A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测
A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测
目录
- A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测
- 前言
- 研究问题
- 摘要
- 本文贡献
- 本文方法介绍
- 退化指标训练和RUL预测算法
- 退化指标提取
- DEI模式学习
- RUL预测-- ε-SVR
前言
A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings .Cheng, Cheng,Ma, Guijun,Zhang, Yong .IEEE/ASME Transactions on Mechatronics.2020.影响因子 5.673
DEI-Degradation energy indicator.
HHT Hilbert-huang transform.
研究问题
轴承的寿命预测
摘要
1、首先使用希尔伯特-黄变换来处理以构造可用作训练标签的新型非线性退化能量指标
2、使用CNN来识别提取的退化能量指标和训练轴承的原始振动之间的隐藏模式
这使得自动估计测试轴承的退化程度成为可能。
3、最后,利用ε-support向量回归模型预测了试验轴承的磨损量。
本文贡献
1)根据轴承部件的固有频率,提出的方法成功地提取了一个新的非线性退化能量指标(见图1,与线性时间退化指标相比)来描述训练轴承的退化趋势;
2)所提出的CNN体系结构对于相似的运行条件是通用的和鲁棒的,它可以在不改变CNN超参数和层数的情况下,转移到另一个处于不同运行状态的轴承上,获得良好的预测结果;
3)提出的振动指标是关于不同轴承之间的最大振动水平的综合指标,它其考虑了滚动元件轴承上所有可能的检测。这是一个更现实的指标,因为在实际的工业应用中,局部缺陷并不是一开始就存在的,这意味着必须考虑所有类型的缺陷
4)CNN将训练方位和测试轴承的所有指标尺度化为一致的潜在空间。因此,训练和测试可以共享相同的故障阈值failure threshold (FT)
图1线性时间退化指示器(蓝色)与非线性DEI(黑色),作为网络训练的标签。非线性DEI在接近轴承寿命结束时经历了长时间的平坦曲线,然后出现急剧的退化趋势,这反映了大多数机械系统的真实退化过程。随着不同轴承部件的损伤在接近使用寿命结束时的累积,简单的时间退化指标对于RUL估计不如DEI有效。
本文方法介绍
本文利用神经网络技术估计轴承的RUL,作为一个预测问题,根据原始振动数据和提取的标签来了解非线性退化行为。**本文建立的神经网络模型不是利用神经网络技术进行时间序列预测,而是充分利用神经网络在自动特征提取方面的优势,揭示振动数据与训练轴承的退化指标之间的隐含依赖关系。
**
本文方法步骤
1、从传感器采集的原始振动信号使用HHT方法进行处理,构造了一个新的时间序列退化指标
2、训练从输入的原始振动特征到训练轴承上的DEI标签的CNN模型,并用于预测测试轴承的DEI
3、使用ε-SVR预测轴承失效前的退化过程
退化指标训练和RUL预测算法
RUL预测的总体框架可分为三个部分。整体框架示意图如图2所示。
这项工作的主要挑战包括:获得代表退化行为的DEI;
I建立一个CNN模型,将原始振动信号映射到DEI;
构建一个ε-SVR来预测RUL。
因此,在以下小节中,将在第II-A节、第II-B节和第II-C节中导出退化特征提取、CNN模型和ε-SVR预测模型的显式表达式
图2 数据驱动的RUL预测框架。
该框架包括三个阶段:
(1)特征提取阶段,旨在提取退化指标。利用经验模态分解、高阶统计量和边际希尔伯特谱来提取微分方程。DEI值也与不同轴承部件的固有频率有关;
2)模型训练阶段,基于训练数据训练CNN模型,发现DEI 和原始振动数据之间的隐藏模式;
(3)预测阶段根据训练好的CNN模型和ε-SVR预测模型预测RUL。
退化指标提取
经验模态分解是一种自适应方法,通常用于分析非平稳和非线性信号。
它将原始振动数据分解成n个IMF,说明从快到低振动的自然振动模式。
DEI模式学习
在这项工作中,具有重复组件的层堆叠在CNN架构中,包括卷积层、池层、完全连接层和回归层
RUL预测-- ε-SVR
l是采样窗口大小,s是滑动大小,xgs是每个采样窗口的平均值和方差
A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测相关推荐
- Deep Learning Applied to Steganalysis of Digital Images: A Systematic Review 深度学习在数字图像隐写分析中的应用:系统综述
Deep Learning Applied to Steganalysis of Digital Images: A Systematic Review (深度学习在数字图像隐写分析中的应用:系统综述 ...
- Deep Learning with Python 读书笔记6.26 I 什么是深度学习
我感觉这样记录,对于我来说挺好的.因为我看两端对齐的语句容易走神,这样记录阅读的话,就很少出现之前的情况. 我写的初衷,也是自己来看,所以感觉写的不好的,请保留下意见,谢谢. 里面的每一个字我都看过, ...
- 【RS-Attack】Data Poisoning Attacks to Deep Learning Based Recommender Systems NDSS‘21
Data Poisoning Attacks to Deep Learning Based Recommender Systems NDSS'21 首个在基于深度学习的推荐系统中进行投毒攻击的研究.文 ...
- 跌倒综述 Deep Learning Based Systems Developed for Fall Detection A Review
文章目录 1.基本信息 2. 第一节 介绍 3. 第二节 跌倒检测系统文献 4.第三节 讨论和未来方向 5. 第四节 结论 6. 参考文献 1.基本信息 题目:Deep Learning Based ...
- 论文翻译:2021_语音增强模型压缩_Towards model compression for deep learning based speech enhancement...
论文地址:面向基于深度学习的语音增强模型压缩 论文代码:没开源,鼓励大家去向作者要呀,作者是中国人,在语音增强领域 深耕多年 引用格式:Tan K, Wang D L. Towards model c ...
- Turbo Autoencoder: Deep learning based channel code for point-to-point communication channels
Turbo Autoencoder: Deep learning based channel code for point-to-point communication channels Abstra ...
- Deep learning based multi-scale channel compression feature surface defect detection system
基于深度学习的多尺度通道压缩特征表面缺陷检测系统 Deep learning based multi-scale channel compression feature surface defect ...
- Deep Learning Based Registration文章阅读(五)《Anatomy-guided Multimodal Registration by Learning Segment 》
Deep Learning Based Registration文章阅读(五) 这篇文章是MIA2021新出的一篇文章<Anatomy-guided Multimodal Registratio ...
- 论文详读:LEMNA: Explaining Deep Learning based Security Applications
我以我ppt的内容顺序介绍一下这篇论文,希望有错误的地方大家可以帮我指出嘻嘻 1.论文出处 论文名:LEMNA: Explaining Deep Learning based Security App ...
最新文章
- 常见的水平居中布局方式
- linux网络的高可用性,构建高可用性网络
- Mysql查询结果只有一条的情况下把值赋值给变量,再用if else 流程判断
- 如何使用cURL获得请求和响应时间?
- P2638-安全系统【数论,组合数学】
- amap不同样式marker点_想出一手漂亮的图,CAD打印样式表你必须会!
- 性质极其恶劣!针对基因编辑婴儿,怀进鹏这样说…
- 如梦如幻,开源实时的天空特效算法!
- 创建主机地址 (A) DNS 记录
- ncurses鼠标事件:mousemask(),ALL_MOUSE_EVENTS,KEY_MOUSE,getmouse(),mouse_grafo(),wmouse_trafo()
- Given inorder and postorder traversal of a tree, construct the binary tree
- mysql常用加密方法_MYSQL 加密的 3 类方法
- HoloLens开发手记 - 使用HoloLens模拟器 Using HoloLens emulator
- 安卓pdf取词翻译软件_写论文,你应该知道这些好用的论文翻译软件!
- Unity2021如何设置中文模式
- swfobject参数详解
- 腾讯成立“XR”部门押注元宇宙;iPhone14全系售价上涨;新东方5 万高薪聘请双语主播 |聚观早报
- cad打印本计算机未配置,为什么CAD点打印的时候就会警告提示无法使用此绘图仪配置?有什么解决办法?...
- 神经网络为什么要归一化?
- 清华文康活动特刊:多重活动分享贴,不来你就OUT啦
热门文章
- TXT文件编码格式解析
- MyHDL中文手册(十)——转换成Verilog和VHDL
- python制作微信小程序_python搭建微信小程序
- GridControl之GridView(属性篇)(一)
- dump文件的创建及使用
- 销毁echart的图表实例
- 四个福利性在线网站分享,每一个都让你欲罢不能……
- 实战!Python常见的几种数据可视化案例
- linux 如何让程序后台执行
- CC00055.hadoop——|HadoopMapReduce.V27|——|Hadoop.v27|源码剖析|DataNode启动流程|